什麼是機器學習演算法?

機器學習演算法遵循由人類目標、資料選擇及持續監督所塑造的可重複學習生命週期。雖然機器學習演算法背後的數學可能複雜，但整體流程簡單明瞭。

從目標與資料開始：流程始於人們定義系統要學習的目標，接著收集反映該目標的資料。這些資料會被審查、清理並準備以便適合訓練。資料品質直接影響結果的實用性。

套用學習演算法：根據工作選取演算法，例如預測、分類或模式發現。訓練期間，演算法會檢視資料，尋找關聯，並調整內部參數以減少錯誤。此過程反覆進行，效能會隨著模式變得更清晰而提升。

產生機器學習模型：訓練的輸出是個機器學習模型。演算法會定義學習如何發生。模型是個可套用至新資料的訓練結果。此區別會說明相同的機器學習演算法如何因資料與目標不同而產生截然不同的結果。

評估、使用與精簡：人們使用測試資料評估模型的準確性、可靠性與限制。模型部署後，會在實際環境中持續被監控。隨著資料與環境變更，模型可能會更新或重新訓練，以符合實際需求。

機器學習演算法通常根據其從資料學習的方式來分類。每種類型支援不同的目標與案例，理解這些差異有助於判斷何時使用特定的 ML 演算法最為實用。

監督式學習演算法：監督式學習演算法使用標記資料進行訓練，每個範例會包含輸入與已知結果。訓練期間，演算法會將其結果與正確答案比較，並進行調整以減少錯誤。

當歷史資料包含明確結果 (如類別或數值) 時，這些機器學習演算法表現良好。

常見的監督式學習用途包括：

• 將電子郵件分類為垃圾郵件或合法郵件
• 預測價格、需求或風險等級
• 識別影像中的特徵或物件

因為結果已知，效能較易衡量與精簡。

非監督式學習演算法：非監督式學習演算法處理未標記資料，其中沒有預先定義的結果。演算法不從答案學習，而是尋找資料本身的結構與關聯。 當目標是探索而非預測時，常會使用這些機器學習演算法。

常見的非監督式學習用途包括：

• 根據共用行為將客戶分組
• 偵測異常模式或離群值
• 簡化大型或複雜的資料集

非監督式學習幫助人們更好理解資料，特別是在乍看之下無法發現明顯模式的情況下。

強化學習演算法：強化學習演算法透過互動和意見反應來學習，而非依賴已知答案的範例。系統會採取行動、觀察結果，並接收指示這些動作是否帶來更好或更差結果的訊號。 

某些機器學習演算法也支援 深度學習，這是一種使用分層神經網路來建模資料中複雜模式的專門方法。

隨著時間推移，演算法會識別出哪些動作較可能產生有利的結果。當決策會影響後續發展時，這種方法特別有用。

常見的強化學習應用途包括：

• 瀏覽實體或模擬環境
• 透過循序決策最佳化流程
• 透過試驗和模擬學習策略

強化學習依賴人為定義的目標、限制和評估，以確保與現實需求保持一致。

機器學習演算法與機器學習模型在組建和使用學習系統的不同階段扮演不同角色。了解何時使用各者，有助於釐清機器學習如何從開發階段進入日常應用。

演算法最重要的階段

機器學習演算法在設計和訓練階段最為重要。它們透過定義如何識別模式、減少錯誤，以及處理資料時改善效能，來形塑學習過程。

Teams 會在以下情況專注於演算法：

• 為學習工作選擇方法。
• 嘗試不同的訓練方法。
• 比較不同學習策略的行為。

模型最重要的階段

訓練完成後，機器學習模型便成為焦點。模型代表已學習的內容，會被用於測試、部署、監控及更新實際系統。

Teams 會在以下情況與模型合作：

• 評估正確性和可靠性。
• 將學習套用於新資料。
• 隨著資料或條件變更更新系統。

這個區別爲何有用

將演算法與模型分開，有助於釐清機器學習生命週期中的責任分工。演算法會定義如何進行學習，而模型則代表已學習並實際應用的內容。

機器學習演算法協助人們以實用且可擴展的方式處理日益龐大的資料量。透過識別模式並從過去範例學習，這些機器學習演算法支援難以單透過人工分析管理的決策。它們的價值在幾個核心領域中最為明顯。

自動化

機器學習演算法透過識別模式並持續應用學習行為，支援自動化處理大量資料。系統不再依賴固定規則，而能隨輸入變更進行調整，減少持續手動調整的需求，同時由人負責監督和結果。

常見的自動化用途包括：

• 路由客戶要求或文件
• 監控系統並標記問題
• 支援例行資料處理工作流程

這種自動化讓團隊能將時間和注意力集中在更高價值的工作，如判斷、檢閱和決策。

預測性分析

預測性分析會利用機器學習演算法從歷史資料學習，估計未來可能發生的情況。這些預測有助於規劃和準備，而非被動反應決策。

典型的範例包括：

• 預測需求或資源需求
• 及早識別潛在設備問題
• 根據過去行為估算風險

這些能力支援企業和營運環境中的規劃與準備。 

個人化

機器學習演算法可根據觀察到的行為和喜好設定量身打造體驗。系統不再每次都提供相同結果，而是根據自己所學調整回應。

個人化常用於：

• 推薦內容或產品
• 排名搜尋結果或資訊
• 調整介面或工作流程

這些調整會提升相關性，同時仍依賴人為定義的目標和限制。

異常偵測

異常偵測會專注於識別不符合預期的模式。 機器學習演算法在此特別有用，因為它們能學習「正常」的樣貌並突顯有意義的偏差。

常見使用案例包括：

• 偵測異常交易
• 識別系統效能問題
• 標示品質或流程偏差

透過將注意力集中在顯著之處，機器學習演算法協助人們更早且更有信心地回應。

當您看到機器學習演算法在日常系統和工作流程中的應用時，最容易理解它們。實際上，它們的角色是在特定日常情境中支援人們。

一般使用案例

機器學習演算法通常用於以下案例：

• 營運工作流程：支援監控、優先排序及處理大量資料系統中的例行決策。
• 預測與規劃：估計需求、容量需求或潛在風險，以協助規劃和準備。
• 客戶與使用者體驗：根據觀察到的行為和使用模式調整內容、推薦或介面。
• 風險與異常狀況檢閱： 突顯異常活動，讓人們能調查、驗證並視需要回應。

在每種情況中，人們負責定義目標、選取資料並評估結果。演算法提供一致性和縮放，而人們則解讀結果並決定採取的動作。

機器學習位於支援 AI 輔助系統的更廣泛技術生態系統中。它在 人工智慧 中扮演實際的角色，協助系統從資料學習並隨時間調整。 

資料科學 在此生態系中扮演重要角色，負責準備、分析及驗證用於訓練機器學習演算法的資料。

了解這些元素如何相互關聯，有助於看清機器學習演算法適用的位置，及其在實際系統中的應用。

概念階層

在高層級，生態系統包括：

• 人工智慧： 專注於創建執行與人類智慧相關工作的系統的廣泛領域。這個廣泛的領域專注於創建能夠執行與人類智能相關的系統
• 機器學習： 人工智慧的子集，使系統能從資料中學習
• 深度學習： 機器學習中使用分層神經網路的專門方法

機器學習演算法透過定義學習方式，成為資料與智慧行為之間的橋樑。

這些部分如何共同運作

在實際系統中：

• 資料科學負責準備與分析資料
• 機器學習演算法從資料中學習
• 模型會套用所學的知識
• AI 輔助應用程式使用這些模型來支援決策和動作

這種分層方法讓機器學習能夠以人類目標和實際應用為基礎，同時讓系統隨時間調整適應。

隨著組織尋求更負責任、高效且大規模應用的方式，機器學習演算法會持續演進。幾項新興趨勢反映出對無障礙性、透明度和實際使用日益重視。

自動化機器學習

自動化機器學習會專注於簡化機器學習演算法的開發方式與應用。自動化機器學習工具協助自動化模型選擇、調整和評估等工作，無需在每個步驟都具備深厚技術專長。

此方法有助於：

• 減少設定與實驗時間
• 支援更快速的比較與迭代
• 讓團隊能將更多時間投入於資料品質和結果上

自動化機器學習透過簡化重複步驟來支援人類決策。

可解釋的 AI

當機器學習演算法用於更敏感或受規範的情境時，了解結果產生的過程變得更重要。可解釋的 AI 著重於釐清哪些因素影響結果，讓模型更容易解讀。

此趨勢支援：

• 信任與問責
• 與利害關係人清楚溝通
• 模型行為與限制的更佳檢閱

邊緣端機器學習

邊緣端機器學習在資料產生地點附近執行模型，例如在裝置或本地系統上。這有助於加快回應速度，並減少對集中式處理的依賴。

主要優點包括：

• 更低的延遲性
• 在連線受限的環境中提升可靠性
• 對資料處理有更大控制權

綜觀這些趨勢，可見機器學習演算法正隨著時間推移，變得愈發靈活且實用。